Tail-greedy bottom-up data decompositions and fast multiple change-point detection
尾部贪心的自下而上数据分解与快速多变点检测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究序列中多个变点的检测，以及变点数量与位置的一致估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
尾部贪心的自下而上数据分解与快速多变点检测
- 研究问题
- 如何对一维数据进行快速自适应多尺度分解，并利用自下而上的合并过程一致估计多个变点的数量与位置？
- 方法与思路
- 作者提出每次遍历执行多个贪心步骤的变换，在自适应非平衡 Haar 小波基下分解数据，再构造合并式变点检测。
- 材料陈述的贡献
- 摘要称，该变换兼具非线性与条件正交性，支持快速计算及变点数量和位置的一致估计，并报告良好实践表现。
- 阅读关注点
- 应核对尾部贪心步骤和条件正交性的定义、一致估计所需的信号与噪声条件，以及和二元分割比较的具体设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明计算复杂度、信号条件和比较数值，所述 R 包的当前状态未经核验。
原文摘要
This article proposes a “tail-greedy”, bottom-up transform for one-dimensional data, which results in a nonlinear but conditionally orthonormal, multiscale decomposition of the data with respect to an adaptively chosen unbalanced Haar wavelet basis. The “tail-greediness” of the decomposition algorithm, whereby multiple greedy steps are taken in a single pass through the data, both enables fast computation and makes the algorithm applicable in the problem of consistent estimation of the number and locations of multiple change-points in data. The resulting agglomerative change-point detection method avoids the disadvantages of the classical divisive binary segmentation, and offers very good practical performance. It is implemented in the R package breakfast, available from CRAN.